Edge Impulse geliştiricilerin gömülü Makine Öğrenimi ile akıllı cihaz çözümlerinin bir sonraki neslini yaratmalarını sağlar. Uç noktada Makine Öğrenimi, maliyet, bant genişliği veya güç kısıtlamaları nedeniyle günümüzde atılan sensör verilerinin %99’unun değerli bir şekilde kullanılmasını sağlayacaktır.

Makine öğrenimini (ML) mikrodenetleyicilerde etkinleştirmek, düşük güç tüketimine sahip cihazların hareketleri ve sesleri algılamasını, ayrıca veri toplamasını ve analiz etmesini sağlar. Artık Edge Impulse’u kullanarak modelleri kolayca oluşturup dağıtabilirsiniz.

Artık, Wio Terminal resmi olarak Edge Impulse tarafından desteklenmektedir. Wio Terminal’i uç noktada Makine Öğrenimi ile nasıl başlatacağımıza bakalım! Şunları tanıtacağız:

Wio Terminal ile Edge Impulse’a nasıl başlanır

Bağımlılıkları Yükleyin

Wio Terminal’i Edge Impulse’da ayarlamak için aşağıdaki yazılımları yüklemeniz gerekecek:

Node.js v12 veya daha yüksek bir sürüm.
Arduino CLI
Edge Impulse CLI ve bir seri monitör. Komut istemcisini veya terminali açarak yükleyin ve şunu çalıştırın:

npm install -g edge-impulse-cli @serialport/terminal

Not: CLI’yi yüklerken sorun mu yaşıyorsunuz? Daha fazla referans için lütfen Yükleme ve sorun giderme belgesine bakın.

Edge Impulse’a Bağlanın

Tüm yazılımlar hazır olduğunda, geliştirme kartını Edge Impulse’a bağlama zamanı.

1. Geliştirme kartını bilgisayarınıza bağlayın

Wio Terminal’i bilgisayarınıza bağlayın. Güç anahtarını iki kez hızlıca kaydırarak önyükleme moduna geçin. Daha fazla referans için lütfen buraya bakın.

Bilgisayarınızda Arduino adında bir harici sürücü görünmelidir. İndirilen Edge Impulse uf2 firmware dosyalarını Arduino sürücüsüne sürükleyin. Artık Edge Impulse, Seeeduino Wio Terminal’e yüklendi!

2. Anahtarları Ayarlama

Bir komut istemcisinde veya terminalde şunu çalıştırın:

$ edge-impulse-daemon

NOT: Yeni bir cihaza bağlanırken, önceden önbelleğe alınmış verileri kaldırmak için edge-impulse-daemon --clean komutunu çalıştırın.

3. Cihazın Bağlı Olduğunu Doğrulama

Hepsi bu kadar! Cihazınız artık Edge Impulse’a bağlı. Bunu doğrulamak için Edge Impulse projenize gidin, ve Cihazlar’a tıklayın. Cihaz burada listelenecektir.

Sonraki adımlar: bir makine öğrenimi modeli oluşturun

Tüm ayarlar yapıldıktan sonra, bu öğreticilerle ilk makine öğrenimi modelinizi oluşturabilirsiniz:

Sürekli hareket tanıma sistemi oluşturma.

Farklı sensörleri bağlamak mı istiyorsunuz? Veri yönlendirici herhangi bir sensörden verileri Edge Impulse’a kolayca göndermenizi sağlar.

Demo: Wio Terminal ile Edge Impulse kullanarak Alkolü Ayırt Etme

Bu wikipediada, bir makine öğrenimi projesini basitçe dağıtmak için Wio Terminal ve Edge Impulse nasıl kullanılacağını tanıtacağız. Wio Terminal, Grove sistemleri ile birlikte çok güçlü olabilir; bu, analiz için yüzlerce sensör verisini getirir ve farklı senaryoları değerlendirme olanağı sunar!

Bu proje, Benjamin Cabé’nin Yapay burun projesinden ilham alınmıştır. Bu wiki ile Wio Terminal kullanarak Edge Impulse’un iş akışını anlayacaksınız.

Gerekli Donanım

Başlayın

Wio Terminal ile Edge Impulse’un iş akışını birlikte inceleyelim.

1. Hazırlıklar

Öncelikle, Wio Terminal’e Edge Impulse firmware’ini yüklemek için Wio Terminal Edge Impulse Başlangıç Kılavuzu adımlarını takip etmelisiniz.

Edge Impulse Firmware’ini aldıktan sonra, Wio Terminal’i PC’nize bağlayın ve bağlantıları kurmak için Edge Impulse seri aracını çalıştırın. Terminalinizde aşağıdakini çalıştırın:

edge-impulse-daemon

Edge Impulse hesabınıza giriş yapmayı unutmayın. Cihazınıza bir isim vermeniz de gerekecek.

Terminal aşağıdaki gibi görünmelidir:

Artık Edge Impulse ana sayfasına gidin ve aynı hesapla giriş yapın. Cihazlar’a gidin ve cihazınızı görmelisiniz:

Artık Wio Terminal’iniz tamamen hazır ve veri toplamaya hazır!

2. Veri Toplama

Grove – Multichannel Gas Sensor v2’yi Wio Terminal’ın Grove I2C portuna bağlayın. Grove – Multichannel Gas Sensor v2’yi test edeceğiniz alkolün üzerine yerleştirin, benim durumumda önce Bira.

Burada belirtilmesi gereken bir şey, Grove – Multichannel Gas Sensor v2’nin çevresinden kolayca etkilenebileceğidir, yalnızca test içeriğini algıladığından emin olmak için bir kapak kullanmak isteyebilirsiniz.

Edge Impulse kontrol panelinde, Veri toplama bölümüne gidin, cihazınızı seçin ve Etiket adını verin. İfadesinden de anlaşılacağı gibi, etiket test içeriğinize göre adlandırılmalıdır, bu nedenle burada da Bira olacaktır.

Örnek uzunluğu (ms.) örnekleme sürenizin uzunluğu olacak, Sensor Dış multichannel gaz seçin ve Sıklık 100Hz seçin.

Başlatma butonuna tıklayın ve veri toplamaya başlayacaktır, terminalin görünümü şöyle olmalıdır:

Testimde, 10s boyunca Bira verisi elde ettim ve her seferinde benzer sonuçlar aldım. Veri setlerinizin birbirine oldukça benzer olması gerekecek.

Not: Eğer verileriniz çok dalgalanıyorsa bu çevreden kaynaklanıyor olabilir.

Bir etiket için yeterli veriye sahip olduğunuzda, diğer etiketler için de aynı adımları uygulayabilirsiniz! Testimde, Maotai ve Likör olmak üzere iki veri setim daha var:

Maotai veri seti:

Likör veri seti:

Farklı alkollerin farklı gaz değerlerine sahip olduğunu görmelisiniz, bu da makine öğrenimi için mükemmel hale getiriyor! Ayrıca, daha fazla veri toplamak her zaman daha iyidir, bu nedenle lütfen daha fazla veri toplamaktan çekinmeyin!

Not: Daha fazla alkol kategorisi yapmaktan çekinmeyin!

3. İmpuls Tasarımı

Sonraki adımda, İmpuls Tasarımı üzerine tıklayıp İmpuls Oluştur seçeneğine tıklamamız gerekiyor. Bir impuls, ham verileri alır, sinyal işleme kullanarak özellikleri çıkarır ve ardından yeni verileri sınıflandırmak için bir öğrenme bloğu kullanır. Bu örnekte, tüm giriş eksenleri ile birlikte ham veri işleme bloğu ekledim ve aşağıdaki gibi bir Sinir Ağı (Keras) öğrenme bloğu ekledim:

İmpulsu Kaydet butonuna tıklayın ve İmpuls tasarımı altında Ham veriler seçeneğine tıklayın, veri setlerinin ham özelliklerini görmelisiniz:

Parametreleri Kaydet butonuna tıklayın, ardından başka bir sayfaya yönlendirileceksiniz. Özellikleri Oluştur butonuna tıklayın.

Bu, önceki veri setlerinden özellikler oluşturacaktır ve sağda bir grafik göreceksiniz. Veri setleri birbirinden ayrılmışsa, bu, veri setlerinin birbirine özgü olduğu anlamına gelir ve bu da makine öğrenimi için farklılıkları daha iyi hale getirir.

4. Veri Eğitimi

İmpuls Tasarımı altında, NN Sınıflandırıcıya tıklayarak Sinir Ağı için ayarları yapılandırın, aşağıdakiler benim ayarlarım:

Bu ayarları ihtiyaçlarınıza göre ayarlamak isteyebilirsiniz ve Sinir ağı mimarinizi yapılandırın, ardından Eğitime Başla butonuna tıklayın! Bu eğitim işlemini gerçekleştirecek ve biraz zaman alabilir.

Eğitim tamamlandığında, eğitim performansının bir tablosunu göreceksiniz. Veri setleriniz birbirine özgü ise oldukça iyi sonuçlar almanız gerekir! İşte benim performansım:

Bundan, doğruluğun fena olmadığını görebilirsiniz, bu sadece 3 durum olduğu için. Bu örneğe daha fazla durum/test eklemek isteyebilirsiniz.

5. Canlı Sınıflandırma

Artık modelimiz eğitildi, yeni verilerle modeli test edebiliriz. Canlı sınıflandırma bölümüne gidin ve test için yeni veri setleri örnekleyin.

Test Örneği 1:

Test Örneği 2:

Sonuçlardan görebileceğimiz gibi, Grove – Multichannel Gas Sensor v2 yardımıyla Edge Impulse kullanarak alkolü ayırt edebildiğiniz oldukça iyi sonuçlar elde ettiniz!

Daha Fazla Geliştirme

Şu anda, modeli Wio Terminal’a bir kütüphane olarak geri entegre etme çalışmaları devam etmektedir. Çok yakında yayınlanacak ve ardından Wio Terminal’a yüklenen eğitimli model ile alkolü ‘çevrimdışı’ olarak tespit edebileceksiniz!

Wio Terminal Sürekli Hareket Tanıma

Bu eğitimde, Wio Terminal üzerinde çalışan bir jest tanıma sistemi oluşturmak için makine öğrenimini kullanacaksınız. Bu, kural tabanlı programlama kullanarak çözülmesi zor bir görevdir, çünkü insanlar her seferinde jestleri tam olarak aynı şekilde yapmazlar. Ancak makine öğrenimi bu varyasyonları kolayca yönetebilir. Gerçek sensörlerden yüksek frekanslı verileri nasıl toplayacağınızı, verileri temizlemek için sinyal işleme kullanmayı, bir sinir ağı sınıflandırıcısı oluşturmayı ve modelinizi bir cihaza nasıl geri dağıtacağınızı öğreneceksiniz. Bu eğitimin sonunda, Edge Impulse kullanarak gömülü cihazlarda makine öğrenimini uygulama konusunda sağlam bir anlayışa sahip olacaksınız.

Bu eğitimin bir video versiyonu da mevcuttur:

1. Ön Koşullar

Bu eğitim için, desteklenen bir cihaza ihtiyacınız var. Aşağıdaki adımları takip edin Wio Terminal Edge Impulse eğitimi öncelikle tamamlayın.

Wio Terminal dışında, işte diğer desteklenen cihazlar.

Cihazınız stüdyoda Cihazlar altında bağlıysa devam edebilirsiniz:

!!!Not Edge Impulse, üretimde zaten bulunan gömülü cihazlar da dahil olmak üzere, herhangi bir cihazdan veri alabilir. Daha fazla bilgi için Alım servisi belgelerine bakın.

2. İlk verilerinizi toplama

Cihazınız bağlı olduğunda, bazı veriler toplayabiliriz. Stüdyoda Veri toplama sekmesine gidin. Bu, tüm ham verilerinizin saklandığı yerdir ve – eğer cihazınız uzaktan yönetim API’sine bağlıysa – yeni verileri örneklemeye başlayabileceğiniz yerdir.

Yeni veri kaydet altında, cihazınızı seçin, etiketi idle olarak ayarlayın, örnek uzunluğunu 5000 olarak belirleyin, sensörü Yerleşik ivmeölçer olarak ayarlayın ve frekansı 62.5Hz olarak ayarlayın. Bu, 10 saniye boyunca veri kaydetmek istediğinizi ve kaydedilen veriyi idle olarak etiketleyeceğinizi belirtir. İhtiyaç duyduğunuzda bu etiketleri daha sonra düzenleyebilirsiniz.

!!!Not Ayrıca Dış multikanal gaz için başka bir seçenek de vardır, bu Grove – Multichannel Gas Sensor v2 kullanarak gaz sensör değerlerini toplar.

Başlatma örnekleme butonuna tıkladıktan sonra cihazınızı yukarı ve aşağı sürekli bir hareketle hareket ettirin. Yaklaşık on iki saniye içinde cihaz örneklemeyi tamamlamalı ve dosyayı Edge Impulse’a yüklemelidir. Stüdyoda ‘Toplanan veriler’ altında yeni bir satır görüyorsunuz. Üzerine tıkladığınızda, artık ham verilerin grafiğini görebilirsiniz. Geliştirme kartındaki ivmeölçer üç eksene sahip olduğu için, her eksen için üç farklı çizgi göreceksiniz.

!!!Not Sürekli hareketler yapmak önemlidir, çünkü daha sonra verileri daha küçük pencerelere böleceğiz.

Makine öğrenimi, çok fazla veri ile en iyi şekilde çalışır, bu nedenle tek bir örnek yeterli olmayacaktır. Şimdi kendi veri kümenizi oluşturmaya başlama zamanı. Örneğin, aşağıdaki üç sınıfı kullanın ve her sınıf için yaklaşık 3 dakika veri kaydedin:

Idle – çalışırken masanızda oturmak.
Dalgalanma – cihazı soldan sağa sallamak.
Daire – daireler çizmek.

!!!Not Hareketlerde varyasyonlar yapmayı unutmayın. Örneğin, hem yavaş hem de hızlı hareketler yapın ve kartın yönünü değiştirin. Kullanıcınızın cihazı nasıl kullanacağını asla bilemezsiniz. Her biri yaklaşık 10 saniye olan örnekler toplamak en iyisidir.

3. Bir impuls tasarlama

Eğitim seti hazır olduğunda, bir impuls tasarlayabilirsiniz. Bir impuls, ham verileri alır, daha küçük pencerelere böler, özellikleri çıkarmak için sinyal işleme blokları kullanır ve ardından yeni verileri sınıflandırmak için bir öğrenme bloğu kullanır. Sinyal işleme blokları her zaman aynı girdi için aynı değerleri döndürür ve ham verilerin işlenmesini kolaylaştırmak için kullanılırken, öğrenme blokları geçmiş deneyimlerden öğrenir.

Bu eğitim için, ‘Spektral analiz’ sinyal işleme bloğunu kullanacağız. Bu blok bir filtre uygular, sinyal üzerinde spektral analiz yapar ve frekans ve spektral güç verilerini çıkarır. Ardından, bu spektral özellikleri alıp üç sınıfı (idle, circle, wave) ayırt etmeyi öğrenen bir ‘Sinir Ağı’ öğrenme bloğu kullanacağız.

Stüdyoda İmpuls oluştur seçeneğine gidin, pencere boyutunu 2000 olarak ayarlayın (kesin bir değer girmek için 2000 ms metnine tıklayabilirsiniz), pencere artışını 80 olarak ayarlayın ve ‘Spektral Analiz’ ve ‘Sinir Ağı (Keras)’ bloklarını ekleyin. Ardından İmpulsu kaydet butonuna tıklayın.

Spektral analiz bloğunu yapılandırma

Sinyal işleme bloğunuzu yapılandırmak için, soldaki menüde Spektral özellikler seçeneğine tıklayın. Bu, ekranın üst kısmında ham verileri gösterecek (açılır menüden diğer dosyaları seçebilirsiniz) ve sağdaki grafiklerde sinyal işleme sonuçlarını gösterecektir. Spektral özellikler bloğu için aşağıdaki grafikleri göreceksiniz:

Filtre sonrası – düşük geçiren bir filtre uygulandıktan sonraki sinyal. Bu, gürültüyü ortadan kaldırır.
Sıklık alanı – sinyalin tekrar ettiği frekans (örneğin, saniyede bir dalga hareketi yapmak 1 Hz’de bir zirve gösterecektir).
Spektral güç – her frekansta sinyale giren güç miktarı.

İyi bir sinyal işleme bloğu, benzer veriler için benzer sonuçlar verecektir. Ham veri grafiğinde kaydırma penceresini hareket ettirdiğinizde, grafiklerin benzer kalması gerekir. Ayrıca, aynı etikete sahip başka bir dosyaya geçtiğinizde, cihazın yönü farklı olsa bile benzer grafikler görmelisiniz.

Sonuçtan memnun kaldığınızda, Parametreleri Kaydet butonuna tıklayın. Bu sizi ‘Özellik oluşturma’ ekranına yönlendirecektir. Burada şunları yapacaksınız:

Tüm ham verileri pencerelere ayırın (pencere boyutuna ve pencere artışına göre).
Tüm bu pencerelere spektral özellikler bloğunu uygulayın.

İşlemi başlatmak için Özellikleri Oluştur butonuna tıklayın.

Daha sonra ‘Özellik keşfi’ yüklenecektir. Bu, çıkarılan tüm özelliklerin oluşturulan pencerelere karşı bir grafiğidir. Bu grafiği, tam veri kümenizi karşılaştırmak için kullanabilirsiniz. Örneğin, X ekseninde ilk zirvenin yüksekliğini, Y ekseninde 0.5 Hz ile 1 Hz arasındaki spektral güç ile karşılaştırarak. İyi bir kural, eğer verileri birden fazla eksende görsel olarak ayırabiliyorsanız, makine öğrenimi modelinin de bunu yapabileceğidir.

Sinir ağını yapılandırma

Tüm veriler işlendiğinde, bir sinir ağı eğitmeye başlama zamanı. Sinir ağları, insan beynine benzer şekilde modellemiş bir dizi algoritmadır ve desenleri tanımak için tasarlanmıştır. Burada eğittiğimiz ağ, sinyal işleme verilerini girdi olarak alacak ve bunu üç sınıftan birine eşlemeye çalışacaktır.

Peki, bir sinir ağı neyi tahmin edeceğini nasıl bilir? Bir sinir ağı, birbirine bağlı katmanlardan oluşur ve her bağlantının bir ağırlığı vardır. Girdi katmanındaki bir nöron, X eksenindeki ilk zirvenin yüksekliği (sinyal işleme bloğundan); çıkış katmanındaki bir nöron ise dalga (sınıflardan biri) olacaktır. Sinir ağını tanımlarken, tüm bu bağlantılar rastgele başlatılır ve bu nedenle sinir ağı rastgele tahminler yapar. Eğitim sırasında, tüm ham verileri alırız, ağa bir tahmin yapmasını isteriz ve ardından sonuca bağlı olarak ağırlıklarda küçük değişiklikler yaparız (bu nedenle ham verilerin etiketlenmesi önemlidir).

Bu şekilde, birçok yinelemeden sonra sinir ağı öğrenir; ve sonunda yeni verileri tahmin etmede çok daha iyi hale gelir. Bunu denemek için menüde NN Sınıflandırıcı butonuna tıklayalım.

‘Eğitim döngüleri sayısını’ 1 olarak ayarlayın. Bu, eğitimi tek bir yineleme ile sınırlayacaktır. Ardından Eğitime Başla butonuna tıklayın.

Şimdi ‘Eğitim döngüleri sayısını’ 2 olarak değiştirin ve performansın arttığını göreceksiniz. Son olarak, ‘Eğitim döngüleri sayısını’ 100 veya daha fazlasına değiştirin ve eğitimin bitmesini bekleyin. İlk sinir ağınızı eğittiniz!

!!!Not Eğitim döngüsü için 100 döngü eğittikten sonra %100 doğruluk elde edebilirsiniz. Bu mutlaka iyi bir şey değildir, çünkü sinir ağının belirli test setine fazla uyum sağladığının ve yeni verilerde kötü performans gösterebileceğinin bir işareti olabilir (aşırı uyum). Bunu azaltmanın en iyi yolu daha fazla veri eklemek veya öğrenme oranını azaltmaktır.

4. Yeni verileri sınıflandırma

Önceki adımda istatistiklerden modelin eğitim verilerimize karşı çalıştığını biliyoruz, ancak ağ yeni verilerde ne kadar iyi performans gösterecek? Bunu öğrenmek için menüde Canlı sınıflandırma butonuna tıklayın. Cihazınız, ‘Yeni verileri sınıflandır’ altında çevrimiçi olarak görünmelidir (tıpkı 2. adımda olduğu gibi). ‘Örnek uzunluğunu’ 5000 (5 saniye) olarak ayarlayın, Örnek almaya başla butonuna tıklayın ve hareket etmeye başlayın. Daha sonra, ağın ne yaptığınızı düşündüğüne dair tam bir rapor alacaksınız.

Ağ harika bir performans gösterdiyse, harika! Ama ya kötü performans gösterdiyse? Bunun birçok nedeni olabilir, ancak en yaygın olanları şunlardır:

Yeterince veri yok. Sinir ağları, veri setlerindeki desenleri öğrenmelidir ve daha fazla veri her zaman daha iyidir.
Veri, ağın daha önce gördüğü diğer verilerle benzerlik göstermiyor. Bu, birinin cihazı, test setine eklemediğiniz bir şekilde kullanması durumunda yaygındır. Mevcut dosyayı test setine eklemek için ⋮’ya tıklayın, ardından Eğitim setine taşı seçeneğini seçin. Eğitime başlamadan önce ‘Veri edinimi’ altında etiketi güncellemeyi unutmayın.
Model yeterince eğitilmemiştir. Epoch sayısını 200 olarak artırın ve performansın artıp artmadığını görün (sınıflandırılan dosya saklanır ve ‘Mevcut doğrulama örneğini sınıflandır’ üzerinden yükleyebilirsiniz).
Model aşırı uyum sağlıyor ve bu nedenle yeni verilerde kötü performans gösteriyor. Öğrenme oranını azaltmayı veya daha fazla veri eklemeyi deneyin.
Sinir ağı mimarisi verilerinize uygun olmayabilir. Katmanların ve nöronların sayısıyla oynayın ve performansın iyileşip iyileşmediğine bakın.

Gördüğünüz gibi, sinir ağları oluştururken hala birçok deneme yanılma süreci var, ancak görselleştirmelerin çok yardımcı olacağını umuyoruz. Ayrıca, ‘Model doğrulama’ üzerinden tam doğrulama seti ile ağı çalıştırabilirsiniz. Model doğrulama sayfasını modeliniz için bir dizi birim testi olarak düşünün!

Çalışan bir model ile mevcut impulsumuzun zayıf performans gösterdiği alanlara bakabiliriz…

5. Anomali tespiti

Sinir ağları harikadır, ancak büyük bir kusurları vardır. Daha önce hiç görmedikleri verilerle (yeni bir jest gibi) başa çıkmada kötü performans gösterirler. Sinir ağları bunu yargılayamaz, çünkü yalnızca eğitim verilerinin farkındadırlar. Eğer onlara daha önce gördükleri hiçbir şeye benzemeyen bir şey verirseniz, yine de üç sınıftan biri olarak sınıflandıracaktır.

Bunun pratikte nasıl çalıştığını görelim. ‘Canlı sınıflandırma’ bölümüne gidin ve bazı yeni veriler kaydedin, ancak bu sefer cihazınızı canlı bir şekilde sallayın. Ağın yine de bir şey tahmin ettiğini göreceksiniz.

Peki… daha iyi nasıl yapabiliriz? accX RMS, accY RMS ve accZ RMS eksenlerindeki özellik keşfine bakarsanız, sınıflandırılan verileri eğitim verilerinden görsel olarak ayırabilmelisiniz. Bunu avantajımıza kullanabiliriz; daha önce gördüğümüz verilerin etrafında kümeler oluşturan yeni (ikinci) bir ağı eğiterek ve gelen verileri bu kümelerle karşılaştırarak. Bir kümeye olan mesafe çok büyükse, örneği anomali olarak işaretleyebilir ve sinir ağına güvenmeyebilirsiniz.

Bu bloğu eklemek için İmpuls oluştur bölümüne gidin, Öğrenme bloğu ekle butonuna tıklayın ve ‘K-ortalama Anomali Tespiti’ seçeneğini seçin. Ardından İmpulsu Kaydet butonuna tıklayın.

Kümeleme modelini yapılandırmak için menüde Anomali tespiti butonuna tıklayın. Burada belirtmemiz gerekenler:

Küme sayısı. Burada 32 kullanın.
Kümeleme sırasında seçmek istediğimiz eksenler. accX RMS, accY RMS ve accZ RMS eksenlerinde verileri görsel olarak ayırabildiğimiz için bunları seçin.

Küme oluşturmak için Eğitime Başla butonuna tıklayın. Mevcut doğrulama örneklerini anomali keşfine açılır menü ile yükleyebilirsiniz.

Bilinen kümeler mavi, sarsıntı verileri turuncu renkte. Bu, bilinen kümelerin dışında açıkça yer alıyor ve bu nedenle bir anomali olarak etiketlenebilir.

!!!Not Anomali keşif aracı aynı anda yalnızca iki ekseni çizer. ‘ortalama eksen mesafesi’ altında, doğrulama örneğinin her eksenden ne kadar uzakta olduğunu görebilirsiniz. Eksenleri değiştirmek için açılır menüyü kullanın.

6. Cihaza geri dağıtma

İmpuls tasarlandığında, eğitildiğinde ve doğrulandığında, bu modeli cihazınıza geri dağıtabilirsiniz. Bu, modelin internet bağlantısı olmadan çalışmasını sağlar, gecikmeyi en aza indirir ve minimum güç tüketimi ile çalışır. Edge Impulse, sinyal işleme kodu, sinir ağı ağırlıkları ve sınıflandırma kodu dahil olmak üzere tam impulsu tek bir C++ kütüphanesi halinde paketleyebilir ve bunu gömülü yazılımınıza dahil edebilirsiniz.

BU HALA WIO TERMINAL İÇİN GELİŞTİRME AŞAMASINDADIR, LÜTFEN TAKİPTE KALIN!

7. Sonuç

Makine öğrenimi oldukça ilginç bir alandır: geçmiş deneyimlerden öğrenen karmaşık sistemler inşa etmenizi sağlar, sensör verilerinde otomatik olarak desenler bulur ve açıkça programlama yapmadan anormallikleri arar. Gömülü sistemlerde makine öğrenimi için büyük bir fırsat olduğunu düşünüyoruz. Şu anda toplanan büyük miktarda sensör verisi var, ancak bu verilerin %99’u maliyet, bant genişliği veya güç kısıtlamaları nedeniyle şu anda atılmaktadır.

Edge Impulse, bu verileri açığa çıkarmanıza yardımcı olur. Verileri doğrudan cihazda işleyerek, ham verileri buluta göndermek zorunda kalmazsınız, ancak önemli olan yerlerde doğrudan sonuçlar çıkarabilirsiniz. Ne inşa edeceğinizi görmek için sabırsızlanıyoruz!

Wio Terminal artık Edge Impulse tarafından resmi olarak destekleniyor